-
公开(公告)号：CN119782623A
公开(公告)日：2025-04-08
申请号：CN202411979263.1
申请日：2024-12-31
Applicant: 哈尔滨工业大学
IPC: G06F16/9535 , G06F18/22 , G06F40/30 , G06N5/04 , G06N3/042 , G06N3/045 , G06N3/0499
Abstract: 本发明一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质，涉及行为序列推荐领域，为解决现有的评分公式未充分考虑物品文本信息，且缺乏针对性去偏操作，可能将模型固有的偏差传递至最终的推荐结果中的问题。包括：步骤1、采集用户‑物品交互和物品文本数据；步骤2、构建大模型，基于大模型的序列推荐构建数据因果图，进行干预操作构建反事实世界并进行评分预测，通过计算序列与物品在真实世界和反事实世界中的匹配度、计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度以及计算文本信息与序列的匹配程度，并引入超参λ2控制文本信息对结果的影响尺度，生成最终的预测评分公式；步骤3、通过大模型生成推荐结果。
-
公开(公告)号：CN119583368A
公开(公告)日：2025-03-07
申请号：CN202411431193.6
申请日：2024-10-14
Applicant: 哈尔滨工业大学
IPC: H04L41/147 , G06N3/0442 , G06N3/049 , G06N3/048 , G06N3/042 , G06N3/08 , G06F18/22 , G06F18/24 , H04L41/14 , H04L41/16
Abstract: 一种基于分层对比学习的时序异构网络链路预测方法及系统，涉及时序异构网络预测技术领域。本发明的目的是从节点级，边级和时间级三个不同微观视角对网络中的空间复杂性和时序复杂性进行挖掘和建模，以实现现实世界中时序异构网络中的节点连接行为的预测。技术要点：通过提出的链路预测方法存储节点表示向量的异构结构信息，捕获异构网络的时序演化过程，同时，捕捉异构快照之间的拓扑依赖关系，刻画复杂时序异构网络中的分布模式，从而预测实体之间动态和复杂的连接关系。不同节点和边之间的细粒度差分关系以及演变范式的区别直接影响表征学习，很大程度上影响链接预测的性能。本发明在社交推荐、交通管理中用于预测实体之间动态和复杂的连接关系。
-
公开(公告)号：CN119476419A
公开(公告)日：2025-02-18
申请号：CN202411615432.3
申请日：2024-11-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种多加速器异构SoC平台上深度学习负载映射优化方法及系统，涉及计算机性能能耗协同优化技术领域，用以提高深度学习推理应用的性能同时降低能耗。本发明的技术要点包括：首先提取有性能或能耗优化潜力的子网络；接着测量融合节点和子网络的性能和能耗数据；再建立解析的性能和能耗预测模型，以预测不同映射配置下推理引擎的运行时间和能耗；之后使用基于变长滑动窗口的映射优化算法搜索性能‑能耗更优的映射配置；最后生成推理引擎并遍历搜索最优的CUDA stream数量。本发明无需用户干预，可以全自动地找到性能‑能耗更优的映射配置并生成推理引擎。与现有的JEDI等方法相比，本发明性能提升更多，能耗节省也更多，同时优化过程所需时间也更短。
-
公开(公告)号：CN118504689A
公开(公告)日：2024-08-16
申请号：CN202410645417.7
申请日：2024-05-23
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于损失控制的分类模型成员推理防御方法及系统，涉及机器学习模型训练技术领域。本发明的技术要点包括：训练一种可防御成员推理攻击的神经网络模型；利用训练好的神经网络模型进行分类预测；其中可防御成员推理攻击的神经网络模型训练的核心包括软标签训练和损失上升：在软标签训练阶段，独热标签被替换为软标签，确保了训练样本的最小损失大于零；损失上升采用两种不同的目标来更新模型参数，提高了模型抵御成员推理攻击的鲁棒性的同时保持其效用。本发明通过交替执行软标签训练和损失上升两种策略，实现了隐私保护与模型效用之间的平衡，提升了隐私保护模型训练方法在机器学习领域的标准。
-
公开(公告)号：CN109299783A
公开(公告)日：2019-02-01
申请号：CN201811547553.3
申请日：2018-12-18
Applicant: 哈尔滨工业大学
IPC: G06N7/00 , G06F16/953
Abstract: 基于异构域迁移的舆情角色识别迁移系统，涉及数据挖掘和机器学习领域。为了解决现有技术面对纷繁复杂的网民信息无法进行有效地提取知识，不能在不同领域之间进行迁移学习，进而无法实现知识间接的共享的问题。所述系统为基于马尔科夫逻辑网的建立的舆情角色识别迁移模型，包括数据谓词化模块、结构学习模块、知识提取模块、知识迁移模块和参数学习模块，将领域知识谓词化转换成模型可以识别的知识进行结构学习并提取需要迁移的知识到目标域完成知识迁移，再通过参数学习模块进行参数学习获得迁移学习后的模型。采用将转换复杂度融入领域距离以及考虑单源域到单目标域的迁移学习界限的技术手段，实现了面对纷繁复杂的网民信息有效地提取迁移。
-
Patent Agency Ranking
公开(公告)号：CN117933304B
公开(公告)日：2024-06-28
申请号：CN202410177123.6
申请日：2024-02-08
Applicant: 哈尔滨工业大学
IPC: G06N3/044 , G06N3/042 , G06N3/0895
Abstract: 一种基于自监督的多视角会话推荐桥接模型，涉及会话推荐技术领域，本发明为了解决现有的会话推荐模型没有将基于序列和基于图的会话推荐方案进行整合，没有实现在整合图模式和序列模式的同时保留相应的特征以最大化单一模式优势并提高会话推荐模型整体性能，从图到序列的转换过程伴随着结构和会话间信息的丢失等问题。本发明利用自监督学习框架将基于序列和基于图的会话推荐这两种方案结合起来，将图模式和序列模式视为两个单独的通道，通过对比学习架构集成了上述两个通道。在DC‑Rec模型中，通过通道间对比桥接模块在会话中吸收图和序列知识。通过最大化两个通道之间的互信息，将两种模式信息进行了较为充分的融合。实验结果表明DC‑Rec始终优于其他最先进的会话推荐方法。
-
公开(公告)号：CN117240560A
公开(公告)日：2023-12-15
申请号：CN202311240301.7
申请日：2023-09-25
Applicant: 哈尔滨工业大学
IPC: H04L9/40 , H04L41/14 , H04L41/16 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于GAN的高仿真蜜罐实现方法及系统，涉及网络安全技术领域。本发明的技术要点包括：获取攻击者请求报文；利用基于GAN的高仿真蜜罐对攻击者请求产生正确应答，进而生成响应报文；其中，基于GAN的高仿真蜜罐依靠响应生成模型生成响应报文，所述响应生成模型的构建包括数据预处理与模型训练；数据预处理的步骤包括：特定协议流量的提取；提取数据包的六元组；以流划分数据包集合；特定协议数据载荷提取；请求载荷分类；响应载荷编码。本发明提高了平均交互次数且缓解了因服务模拟不到位造成无法深入交互的问题，具有较高仿真度。
-
公开(公告)号：CN117217295A
公开(公告)日：2023-12-12
申请号：CN202311176924.2
申请日：2023-09-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于节点选择的异构图迁移学习方法，涉及迁移学习技术领域，用以对源网络中的节点进行数值量化评估并选择与目标网络更相关且具有高质量的节点，进而提高模型在目标网络上的性能。本发明的技术要点包括：利用特定语义的特征提取器聚合基于元路径的邻居信息，用特定语义的分类器对不同语义的特征表示进行分类，同时使用最大均值差异距离和L2正则化来对齐源网络和目标网络的分布，将得到的选择向量加入到各损失函数中，来学习具有标签可分辨性和跨网络一致性的节点嵌入表示，用于对目标网络中的节点进行标签分类预测，所述方法包括三部分，即特征提取、节点标签分类和分层域对齐。实验结果显示本发明相对于基线方法表现更显著。
-
公开(公告)号：CN117151279A
公开(公告)日：2023-12-01
申请号：CN202311025770.7
申请日：2023-08-15
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q50/00 , G06F16/22 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 一种基于线图神经网络的同构网络链路预测方法及系统，涉及网络链路预测领域，旨在通过深度学习技术自动挖掘、学习静态同构网络中有利于链路预测的特征信息，用于同构网络上的链路预测任务，且在学习的过程中需要采取方法尽量减少信息损失，提升同构网络上链路预测的精度。本发明采用基于深度学习的方法解决了针对复杂网络中的同构信息网络下的链路预测问题，本发明提出了利用线图神经网络的同构网络链路预测算法NLG‑GNN。该方法通过提取出局部子图的方式来处理大规模网络，能进一步通过线图转换，将链路信息聚集在一个线图节点中，减少信息损失。结合图神经网络和图嵌入方法获取线图中节点的结构特征和潜在特征，进而完成链路预测任务。
-
公开(公告)号：CN115660147A
公开(公告)日：2023-01-31
申请号：CN202211171903.7
申请日：2022-09-26
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q50/00 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统，涉及信息传播预测技术领域，用以解决在一段时间之后信息在社交网络中流行度增长量的预测问题。本发明的技术要点包括：使用图神经网络对级联图进行建模，得到聚合邻居节点状态与特征的节点表示；通过深度游走算法对整体级联网络图进行采样，获得级联图的序列集合，将图形神经网络嵌入表示与Deepwalk嵌入表示进行拼接来更新序列中各个节点的信息；将附有邻居信息的节点表示序列输入双向LSTM中，同时将时序信息经过注意力机制引导对序列进行整合，增强了级联预测模型的理解能力与预测能力。本发明兼顾级联传播路径间与传播路径内影响力传递性，以及纳入时序与结构因素互补性的有效性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.023 seconds)
